KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK

Transkripsi

1 KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK SKRIPSI Diajukan Kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta Sebagai Salah Satu Persyaratan Guna Memperoleh Gelar Sarjana Sains Disusun oleh: Rahmada Putri Setiadi PROGRAM STUDI MATEMATIKA JURUSAN PENDIDIKAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI YOGYAKARTA 2016 i

2 PERSETUJUAN Skripsi yang berjudul KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK yang disusun oleh Rahmada Putri Setiadi, NIM ini telah disetujui oleh pembimbing untuk diujikan. Yogyakarta, 1 Juni 2016 Dosen Pembimbing Dr. Dhoriva Urwatul Wutsqa NIP ii

3 HALAMAN PENGESAHAN Skripsi yang berjudul: KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK Yang disusun oleh: Nama : Rahmada Putri Setiadi NIM : Prodi : Matematika Skripsi ini telah diujikan di depan Dewan Penguji Skripsi pada tanggal 9 Juni 2016 dan dinyatakan LULUS. DEWAN PENGUJI Nama Jabatan Tanda Tangan Tanggal Dr. Dhoriva Urwatul W Fitriana Yuli S., M.Si Dr. Agus Maman Abadi Atmini Dhoruri, M.S Ketua Penguji. Sekretaris Penguji. Penguji Utama. Penguji Pendamping. Yogyakarta, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta Dekan, Dr. Hartono NIP iii

4 HALAMAN PERNYATAAN Yang bertanda tangan di bawah ini, saya: Nama : Rahmada Putri Setiadi NIM : Program Studi : Matematika Fakultas : Matematika dan Ilmu Pengetahuan Alam Judul Skripsi : KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK Menyatakan bahwa skripsi ini benar-benar karya saya sendiri dan sepanjang pengetahuan saya, tidak terdapat karya atau materi yang ditulis atau digunakan sebagai persyaratan penyelesaian studi di perguruan tinggi, kecuali pada bagianbagian tertentu yang diambil sebagai acuan atau kutipan dengan mengikuti tata penulisan karya ilmiah yang telah lazim. Apabila ternyata terbukti pernyataan saya tidak benar, maka sepenuhnya menjadi tanggung jawab saya, dan saya bersedia menerima sanksi sesuai ketentuan yang berlaku. Yogyakarta, 1 Juni 2016 Yang Menyatakan, Rahmada Putri Setiadi NIM iv

5 MOTTO Barang siapa bersungguh-sungguh, sesungguhnya kesungguhannya itu adalah untuk dirinya sendiri. (QS. Al-Ankabut: 6) Janganlah engkau bersedih, sesungguhnya Allah bersama kita. (QS. At-Taubah: 40) Love what you do, do what you love. v

6 HALAMAN PERSEMBAHAN Alhamdulillah, puji syukur kehadirat Allah SWT, akhirnya saya dapat menyelesaikan skripsi ini. Karya sederhana ini saya persembahkan untuk: Kedua orang tuaku, Bapak Tukiyadi dan Ibu Rohmi Rahayu yang selalu mendoakanku, memberiku semangat dan mendukungku sehingga aku dapat menyelesaikan karya ini dengan baik. Saudari-saudariku, Mbak Hida dan Dek Nisa Gembul yang tak hentihentinya mengingatkan aku dan memberikan semangat untuk segera menyelesaikan skripsi ini. Isas, Ratih, dan Marwah sesama pejuang skripsi, akhirnya kita bisa melalui semua masalah dan menyelesaikan skripsi ini. Dinda, Lela, Zen, Rini, Anita, temen-temen main dan nonton, yang telah memberikan banyak kenangan indah dan tak terlupakan selama ini. Teman-teman Matematika Swadana 2012 yang memberikan kenangan, ilmu, pengalaman dan kebersamaan selama 4 tahun ini. Semoga kita semua sukses di masa depan. Bahagia selalu. vi

7 KLASIFIKASI STADIUM KANKER PAYUDARA MENGGUNAKAN MODEL FUZZY NEURAL NETWORK Oleh: Rahmada Putri Setiadi ABSTRAK Kanker payudara menjadi ancaman yang mematikan bagi semua wanita di seluruh dunia. Oleh karena itu, deteksi kanker sejak dini perlu dilakukan sehingga kanker payudara dapat lebih mudah ditangani. Fuzzy Neural Network (FNN) merupakan salah satu metode yang dapat digunakan untuk klasifikasi stadium kanker payudara. Penelitian ini bertujuan untuk menjelaskan prosedur dan hasil klasifikasi stadium kanker payudara menggunakan model FNN dengan dan tanpa operasi titik intensity adjustment. Prosedur awal klasifikasi kanker payudara menggunakan FNN adalah melakukan preprocessing citra mammogram payudara dengan cara memotong citra, menghilangkan background hitam, dan melakukan operasi titik intensity adjustment. Setelah itu dilakukan ekstraksi citra mammogram untuk mendapatkan parameter-parameter statistik, yaitu kontras, korelasi, energi, homogenitas, entropi, sum of squares, inverse difference moment, sum average, sum entropy, sum variance, difference variance, difference entropy, probabilitas maksimum, dan dissimilarity. Variabel input yang digunakan adalah hasil fuzzifikasi parameter-parameter hasil ekstraksi citra menggunakan fungsi keanggotaan trapesium dan variabel output adalah hasil klasifikasi kanker payudara. Pembagian data menjadi dua, yaitu 80% data training dan 20% data testing. Sebelum dilakukan pembelajaran, input fuzzy dinormalisasi. Pembentukan model terbaik dilakukan menggunakan algoritma pembelajaran backpropagation dengan menentukan banyaknya neuron terbaik pada lapisan tersembunyi yang menghasilkan nilai akurasi tertinggi. Fungsi aktivasi yang digunakan adalah sigmoid biner pada lapisan input dan linear pada lapisan tersembunyi. Selanjutnya, denormalisasi dilakukan untuk mengembalikan nilai output jaringan ke nilai yang sebenarnya. Hasil klasifikasi stadium kanker payudara menggunakan model FNN dengan operasi titik menunjukkan nilai akurasi, sensitivitas, dan spesifisitas secara berurutan adalah 100%, 100%, dan 100% untuk data training dan 79,1667%, 87,5%, dan 100% untuk data testing, sedangkan hasil tanpa operasi titik adalah 100%, 100%, dan 100% untuk data training dan 54,1667%, 87,5%, dan 12,5% untuk data testing. Kata Kunci : Fuzzy Neural Nework (FNN), Backpropagation, klasifikasi, kanker payudara, operasi titik vii

8 KATA PENGANTAR Alhamdulillah, puji syukur kehadirat Allah SWT atas segala nikmat-nya, akhirnya penulis mampu menyelesaikan penulisan Skripsi dengan judul Klasifikasi Stadium Kanker Payudara Menggunakan Model Fuzzy Neural Network. Skripsi ini disusun untuk memenuhi persyaratan guna memperoleh gelar Sarjana Sains Program Studi Matematika di Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta. Penyusunan skripsi ini tidak lepas dari dukungan, motivasi, kerjasama maupun bimbingan dari berbagai pihak secara langsung maupun tidak langsung. Oleh karena itu, penulis menyampaikan terima kasih kepada: 1. Bapak Dr. Hartono, selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam yang telah memberikan kelancaran dalam urusan akademik di tingkat fakultas. 2. Bapak Dr. Ali Mahmudi, selaku Ketua Jurusan Pendidikan Matematika yang telah memberikan kelancaran dalam pelayanan akademik di tingkat jurusan. 3. Bapak Dr. Agus Maman Abadi, selaku Ketua Program Studi Matematika Universitas Negeri Yogyakarta atas bimbingan dan pengarahan dalam penulisan skripsi ini, serta dukungan akademik kepada penulis. 4. Ibu Dr. Dhoriva U. W., selaku dosen pembimbing yang telah sangat sabar memberikan bimbingan, pengarahan, dan semangat dalam penyusunan skripsi ini. viii

9 5. Ibu Nur Insani, M. Sc, selaku Dosen Pembimbing Akademik yang telah memberikan pengarahan dan bimbingan selama proses studi. 6. Seluruh Dosen Jurusan Pendidikan Matematika yang telah memberikan arahan dan ilmu yang bermanfaat bagi penulis. 7. Seluruh pihak yang telah membantu dan memberikan dukungan dalam penulisan skripsi ini hingga akhir. Penulis menyadarai bahwa masih banyak kekurangan dan kesalahan dalam skripsi ini. Oleh karena itu, kritik dan saran yang membangun penulis harapkan sebagai sebuah koreksi dan untuk perbaikan skripsi ini. Demikian skripsi ini penulis susun, semoga dapat memberikan manfaat bagi penulis dan pembaca. Yogyakarta, 1 Juni 2016 Penulis, Rahmada Putri Setiadi ix

10 DAFTAR ISI HALAMAN JUDUL... i HALAMAN PERSETUJUAN... ii HALAMAN PENGESAHAN... iii HALAMAN PERNYATAAN... iv MOTTO... v HALAMAN PERSEMBAHAN... vi ABSTRAK... vii KATA PENGANTAR... viii DAFTAR ISI... x DAFTAR TABEL... xiii DAFTAR GAMBAR... xv DAFTAR LAMPIRAN... xvii DAFTAR SIMBOL... xix BAB I PENDAHULUAN A. Latar Belakang... 1 B. Pembatasan Masalah... 7 C. Rumusan Masalah... 7 D. Tujuan Penelitian... 8 E. Manfaat Penelitian... 8 BAB II KAJIAN TEORI A. Kanker Payudara (Breast Cancer) Pengertian Kanker Payudara... 9 x

11 2. Klasifikasi Kanker Payudara Penyebab Kanker Payudara Gejala-gejala Kanker Payudara Deteksi Kanker Payudara B. Konsep Dasar Artificial Neural Network Arsitektur Neural Network Fungsi Aktivasi Algoritma Pembelajaran C. Algoritma Backpropagation D. Logika Fuzzy Himpunan Klasik (Crisp) Himpunan Fuzzy Fungsi Keanggotaan Operator-operator Fuzzy E. Pengolahan Citra Digital F. Pengukuran Ketepatan Hasil Klasifikasi BAB III PEMBAHASAN A. Arsitektur dan Model Fuzzy Neural Network untuk Klasifikasi Stadium Kanker Payudara B. Prosedur Klasifikasi Stadium Kanker Payudara Menggunakan Model Fuzzy Neural Network Preprocessing Citra a. Proses Pemotongan Citra dan Menghlangkan Background xi

12 b. Perbaikan Kualitas Citra dengan Operasi Titik Intensity Adjustment Ekstraksi Citra Menentukan Variabel Input dan Variabel Output a. Mengidentifikasi Himpunan Semesta (U) untuk Setiap Input b. Mendefinisikan Himpunan Fuzzy pada Input c. Menentukan Maksimum dari Derajat Keanggotaan Pembagian Data Normalisasi Data Pembentukan Model Terbaik Denormalisasi Data C. Hasil Klasifikasi Stadium Kanker Payudara Menggunakan Model Fuzzy Neural Network D. Pengukuran Ketepatan Hasil Klasifikasi BAB IV PENUTUP A. Kesimpulan B. Saran DAFTAR PUSTAKA LAMPIRAN xii

13 DAFTAR TABEL Tabel 2.1. Hasil Uji Diagnosa Tabel 3.1. Hasil Ekstraksi Citra mdb003.png Tabel 3.2. Hasil Normalisasi Data pada Citra mdb003.png Tabel 3.3. Nilai Akurasi Hasil Pembelajaran Neuron Terbaik dengan Operasi Titik Tabel 3.4. Nilai Akurasi Hasil Pembelajaran Neuron Terbaik tanpa Operasi Titik Tabel 3.5. Menghitung Tingkat Sensitivitas dan Spesifisitas Data Training (dengan Operasi Titik) Tabel 3.6. Menghitung Tingkat Akurasi Data Training (dengan Operasi Titik) Tabel 3.7. Menghitung Tingkat Sensitivitas dan Spesifisitas Data Training (tanpa Operasi Titik) Tabel 3.8. Menghitung Tingkat Akurasi Data Training (tanpa Operasi Titik) Tabel 3.9. Menghitung Tingkat Sensitivitas dan Spesifisitas Data Testing (dengan Operasi Titik) Tabel Menghitung Tingkat Akurasi Data Testing (dengan Operasi Titik) Tabel Menghitung Tingkat Sensitivitas dan Spesifisitas Data Testing (tanpa Operasi Titik) xiii

14 Tabel Menghitung Tingkat Akurasi Data Testing (tanpa Operasi Titik) xiv

15 DAFTAR GAMBAR Gambar 2.1. Syaraf Secara Biologi Gambar 2.2. Neural Network Sederhana Gambar 2.3. Arsitektur Neural Network dengan Banyak Lapisan Gambar 2.4. Neural Network dengan Lapisan Kompetitif Gambar 2.5. Fungsi Aktivasi Linear (Identitas) Gambar 2.6. Fungsi Aktivasi Undak Biner Gambar 2.7. Fungsi Aktivasi Sigmoid Biner dengan dan Gambar 2.8. Fungsi Aktivasi Sigmoid Bipolar Gambar 2.9. Representasi Kurva Trapesium Gambar Citra mammogram untuk payudara normal (a), Citra mammogram untuk tumor payudara (b), dan Citra mammogram untuk kanker payudara (c) Gambar Operasi titik pada citra digital Gambar (a) Citra mdb003.png sebelum dilakukan operasi titik (b) Data histogram citra mdb003.png sebelum dilakukan operasi titik Gambar (a) Citra mdb003.png sesetelah dilakukan operasi titik (b) Data histogram citra mdb003.png setelah dilakukan operasi titik Gambar 3.1. Arsitektur Backpropagation Neural Network dengan Input Fuzzy xv

16 Gambar 3.2. Prosedur Pemodelan Fuzzy Neural Network Gambar 3.3. Pemotongan citra mammogram payudara; (a) mdb003 sebelum dipotong, (b) mdb003 setelah dipotong Gambar 3.4. Proses menghilangkan background citra mammogram payudara; (a) mdb003 dengan background hitam, (b) mdb003 dengan background putih Gambar 3.5. Citra mammogram mdb003.png sebelum dan sesudah dilakukan operasi titik intensity adjustment xvi

17 DAFTAR LAMPIRAN Lampiran 1. Citra Mammogram Data Training Lampiran 2. Citra Mammogram Data Testing Lampiran 3. Script M-file GLCM Ekstraksi 14 Parameter Statistik Lampiran 4. Script Matlab untuk operasi titik dan ekstraksi Lampiran 5. Tabel Hasil Ekstraksi Citra Mammogram Data Training (dengan Operasi Titik) Lampiran 6. Tabel Hasil Ekstraksi Citra Mammogram Data Testing (dengan Operasi Titik) Lampiran 7. Tabel Hasil Ekstraksi Citra Mammogram Data Training (tanpa Operasi Titik) Lampiran 8. Tabel Hasil Ekstraksi Citra Mammogram Data Testing (tanpa Operasi Titik) Lampiran 9. Script M-file Fuzzy Neural Network untuk Klasifikasi Kanker Payudara Lampiran 10. Hasil Klasifikasi Stadium Kanker Payudara dengan Operasi Titik pada Data Training Lampiran 11. Hasil Klasifikasi Stadium Kanker Payudara dengan Operasi Titik pada Data Testing Lampiran 12. Hasil Klasifikasi Stadium Kanker Payudara tanpa Operasi Titik pada Data Training xvii

18 Lampiran 13. Hasil Klasifikasi Stadium Kanker Payudara tanpa Operasi Titik pada Data Testing Lampiran 14. Bobot dari Hasil Matlab (dengan Operasi Titik) Lampiran 15. Bobot dari Hasil Matlab (tanpa Operasi Titik) xviii

19 DAFTAR SIMBOL : citra atau fungsi pada operasi titik. : citra masukan. : citra keluaran. : operasi lanjar (linear) atau nirlanjar (nonlinear). : konstanta faktor penyesuaian pada operasi titik intensity adjustment. : entri pada Gray Level Coocurrence Matrix baris ke-i dan kolom ke-j dengan dan. : banyak tingkat abu-abu dari citra. : rata-rata dari. : jumlah, dengan. : jumlah dengan. : fungsi keanggotaan trapesium variabel input ke-i. : variabel output. : variabel input fuzzy ke-i. : bobot dari neuron ke-i pada lapisan input fuzzy menuju neuron ke-j pada lapisan tersembunyi. : bobot bias neuron ke-j pada lapisan tersembunyi. : bobot dari neuron ke-j pada lapisan tersembunyi menuju neuron pada lapisan output. : bobot bias pada neuron lapisan output. xix

20 : error. P : matriks input data training. T : matriks target training. Pn : matriks input yang ternormalisasi dengan mean=0 dan standar deviasi=1. Tn : matriks target yang ternormalisasi dengan mean=0 dan standar deviasi=1. Qn : matriks input testing yang ternormalisasi. Pc : matriks input testing. meanp : mean pada matriks input asli (P). stdp : standar deviasi pada matriks input asli (P). meant : mean pada matriks target asli (T). stdt : standar deviasi pada matriks target asli (T). Si : banyaknya neuron pada lapisan ke-i, dengan i=1,2,,q. TFi : fungsi aktivasi pada lapisan ke-i, dengan i=1,2,,n (default: logsig dan purelin). BTF : fungsi pelatihan jaringan (default: traingdx). PF : fungsi kinerja (default: akurasi). net : jaringan syaraf. tr : informasi pelatihan (epoh dan fungsi kinerja). Pn : matriks data input yang telah dinormalisasi. Tn : matriks data target yang telah dinormalisasi. P dan T : matriks yang telah didenormalisasi. xx